Page 19 - 《软件学报》2026年第4期

1460 软件学报 2026 年第 37 卷第 4 期

(2) Bi-LSTM [46] : LSTM 的扩展模型, 通过双向结构同时捕捉前后文信息, 有效解决长序列依赖问题, 广泛应用
于文本分类和序列标注任务. 实验中 Bi-LSTM 的隐藏层维度为 128, 层数为 1, 采用 CrossEntropyLoss 计算模型
损失.
(3) Att-LSTM [47] : 在 LSTM 模型基础上加入注意力机制, 动态分配权重以聚焦关键信息, 提升模型对重要特征
的捕捉能力, 适用于复杂序列建模. 该模型中 LSTM 部分的参数与 Bi-LSTM 模型保持一致, 注意力机制采用加性
注意力, 其隐藏层维度为 64.
(4) GAN [48] : 由生成器和判别器组成, 通过生成对抗训练生成目标领域的伪情感数据, 缓解领域间数据分布差
异, 提升模型在目标领域的泛化能力. 本实验中, 生成器和判别器均采用 RNN 结构, 隐藏层维度设置为 128. GAN
训练中采用 BCEWithLogitsLoss 计算损失, 用于判别器对数据真伪的判断和生成器对判别器的欺骗训练. 情感分
类器采用 CrossEntropyLoss 进行损失计算.
(5) BERT [49] : 基于 Transformer 的预训练语言模型, 通过双向上下文理解文本语义. BERT 通过大规模预训练
捕捉通用语言特征, 能够有效缓解领域差异问题, 显著提升数据稀缺的目标领域中的分类性能. 实验采用 BERT-
base-uncased 作为预训练模型, 将输出向量维度设置为 128, 用于对 BERT 输出特征进行降维.
为了验证所提方法相比其他迁移学习方法在性能上的优越性, 使用以下模型作为对比模型.
(1) FMIM [50] : 一种采用互信息最大化技术的基于特征的领域自适应方法.
(2) CDRG [51] : 一种跨领域数据增强方法, 通过利用带标注的源领域样本, 基于掩码语言模型来生成带标注的
目标领域样本.
(3) GCDDA [52] : 一种生成式跨领域数据增强框架, 利用预先训练的 BART 模型来生成具有方面级注释的目标
领域数据.
2
(4) DA LM [34] : 一种基于领域自适应语言模型的跨领域数据增强方法, 通过领域自适应语言模型为未标记的
目标领域数据分配伪标签.
4.3 预实验
为了确定 HQSS-CDABSA 方法最佳的样本选择比例, 针对跨领域 ABSC 任务在 Att-LSTM 及 BERT 模型上
进行了预实验, 预实验的实验结果如表 3 所示, 其中粗体数据为不同任务最高的数值.

表 3 不同模型在不同样本选择比例下处理跨领域 ABSC 任务的 F1 值比较结果 (%)

模型 Data D→R D→S L→R L→S R→D R→L R→S S→D S→L S→R Avg
All 42.49 16.30 38.46 11.97 42.59 40.07 19.18 47.98 39.01 32.66 33.07
90% 42.86 16.99 39.21 12.44 42.77 40.51 19.73 48.36 39.72 32.94 33.55
Att-LSTM 70% 44.43 21.95 41.75 15.41 44.65 43.32 21.12 53.51 41.78 34.66 36.26
50% 38.27 12.03 33.24 7.35 37.31 36.22 14.03 40.09 33.28 26.49 27.83
30% 21.11 4.65 18.67 4.02 22.49 18.87 10.14 23.88 19.96 14.28 15.81
All 60.53 40.96 61.36 36.53 67.71 61.97 38.62 64.40 55.62 61.83 54.95
90% 60.82 42.86 61.44 36.54 67.99 62.29 39.47 66.21 56.88 61.97 55.65
BERT 70% 62.69 48.49 63.12 36.99 69.70 64.37 42.05 75.53 58.10 62.64 58.37
50% 39.27 28.44 39.96 24.33 41.74 37.26 25.11 40.05 36.38 38.97 35.15
30% 28.95 24.37 31.22 20.08 25.16 25.48 20.19 30.58 24.46 24.87 25.54

表 3 中的实验结果表明, HQSS-CDABSA 方法在不同样本选择比例下对模型性能的影响存在显著差异.
Att-LSTM 和 BERT 模型均在 70% 的样本选择比例下取得最佳性能, 平均 F1 值分别为 36.26% 和 58.37%, 显著高
于其他比例下的性能. 这源于在 70% 的样本选择比例下, HQSS-CDABSA 方法能够有效筛选出高质量样本, 同时
保留足够的训练数据量, 避免了因数据量过少导致的模型欠拟合问题. 高质量样本的筛选减少了噪声数据对模型
训练的干扰, 从而提升了模型的泛化能力和性能. 在全样本训练和 90% 的样本选择比例下, 模型性能虽然较高, 但
未达到最佳. 这源于训练数据中的噪声数据过多, 尽管数据量充足, 但噪声数据的存在限制了模型的性能提升. 而